机器离语义理解还有多远？

读了这两篇文章有感
1、Detecting Visual Relationships With Deep Relational Networks (CVPR2017 oral)
2、Semantically Coherent Co-Segmentation and Reconstruction of Dynamic Scenes（CVPR2017）

如何打通符号，影像，世界模型之间的鸿沟，使各个层面的训练和推理形成闭环？

NLP就是中文房间，中文房间就是为了证明机器不可能理解语意提出来的

广义的语义理解需要做到完善的 cross-modal mapping，会需要有有强大的机器学习引擎能够在各种感知间（视觉，听觉，文字，等等）提取有用特征（类似 CNN 做的事）然后学习其中的关联。机器语义理解的门已经开了个小缝，以后该会常看到狭义语义（例如仅是关于简单的文字和图像关联）方面的进展，不过要做到广义的语义理解还早。

怎么定义语义理解呢？
人与人交流，误解也是常有的
语言本身的双关、歧义，人也不能100%准确把握，
语义理解的标准、程度？如果以100%来衡量，人都不能算做到语义理解吧

围观，想问一下，NLP在实际生活中的应用场景，商业价值高嘛？
为什么这样问：
原因：智能客服系统，对于客服中心的FAQ，在NLP实施过程中需要大量的人工训练，人工很高，项目报价也很高，客户会评估现有人工和投入人工智能的差距。而且NLP所实现的智能客服不具备自学习，后期知识库维护还得靠人工。
从年初到现在的签单量来看，市场的普及度不是很高，想多和各位讨论，取经，需求突破口。

　　如果予以理解停留在“以分词为先导”的错误思路上，机器理解语义就很难实现。